上一篇文章讨论了如何使用SPSS进行方差分析，学习了方差分析的原理以及如何解释最终的结果。本文将和大家分享另一种常见的分析——相关性分析。 　　

　　相关性分析是研究同一位置两个或两个以上随机变量之间相关性的统计分析方法。比如我们在研究身高和体重的关系时，会用到相关分析。说到这里，你会不会想到一个熟悉的方法——回归分析？其实两种分析是不一样的，相关性分析倾向于寻找自变量之间的相关性。回归分析偏向于自变量的变化如何导致因变量的变化。但在实际分析中，回归分析和相关分析是密切相关的。 　　

　　下面，我们就进入今天的相关分析： 　　

　　上图是本次分析中使用的数据。这两列数据分别代表植物的生长高度和相应的重量。我们需要通过相关性分析来研究它们之间是否有相关性，如果有，是什么样的相关性。 　　

　　我们在分析选项栏中选择相关性，然后选择双变量，就可以进入相关性分析界面： 　　

　　我们选择完两个变量后，需要在底部选择Pearson相关系数(通常是默认选项，主要通过Pearson相关系数来判断相关性)。其次，我们在显著性检验中选择双边检验，并检查下面的显著性相关性。 　　

　　在此分析中，小白还检查了右侧选项栏中统计选项的均值和标准差： 　　

　　其他选项都是系统默认的，所以没有必要更改。点击确定后，将出现相关分析的结果： 　　

　　从上图可以看出，第一张统计表是系统对该数据进行的描述性统计。以下是相关分析的结果。从结果可以看出，植物生长高度和重量之间的皮尔逊相关系数为0.980。一般来说，皮尔逊相关系数值为-1到1，分别对应负相关和正相关。当皮尔逊相关系数的绝对值接近1时，相关性越强。下面是皮尔逊相关系数的结果列表： 　　

　　1.当系数在0.8-1.0时，两者存在极强相关性； 　　

　　2.当系数在0.6-0.8时，两者存在强相关性； 　　

　　3.当系数在0.4-0.6时，两者中等程度相关； 　　

　　4.当系数在0.2-0.4时，两者存在弱相关性； 　　

　　5.当系数在0.0-0.2时，两者极弱相关或无相关性。 　　

　　由此可以判断，植物的生长高度与其重量之间存在很强的正相关关系。同时我们在表中也可以看到显著性P值为0.0000.05，说明两者之间存在显著差异，较低的N为样本量。 　　

　　至此，我们的关联分析已经完成。其实这只是一个比较简单的例子。但是在实际工作中，基本上是很多因素堆在一起，我们无法直观的知道哪些变量是相关的。这时候就需要用相关性分析来快速准确的找到我们需要的变量。